Earticle

딥러닝(DL: Deep Learning)의 발전으로 오늘날 다양한 분야에서 AI 모델이 만들어지고 사용되고 있다. 오늘날, 컴퓨터의 발전과 DL 알고리즘의 발전에 의해, DL 기반 AI 모델은 수많은 데이터를 학습하고 스스로 규칙을 찾을 수 있다. DeepMind의 Alphago는 학습 데이터 만으로 게임의 규칙을 스스로 판단하고 고수준의 게임 플 레이를 할 수 있다는 가능성을 보여준다. 이런 다양한 DL 알고리즘이 게임 분야에 적용되고 있지만, 스포츠 게임 같이 팀의 전술과 개인 플레이가 공존하는 분야에서는 단일 AI 모델만으로 성공적인 플레이를 이끌어 내기에는 한계가 존재한다. 오늘날, 고품질의 스포츠 게임은 쉽게 접할 수 있다. 하지만, 게임 AI 연구자들이 이런 고품질의 스포츠 게임에 맞는 AI 모델을 개발하기 위해서는 게임 코드 소스를 받거나 게임 회사에서 테 스트용 시뮬레이터를 제공해줘야만 할 수 있다. 게임 AI 연구자들이 활발한 스포츠 게임 분야의 AI 모델을 개 발하기 위해서는 스포츠 게임의 규칙과 특징이 반영되고 접근하기 쉬운 테스트 환경(Test Environment)이 필요 하다. 본 논문에서는 팀의 전술과 개인 플레이가 중요한 스포츠 게임 분야에서 AI 모델을 만들고 테스트할 수 있는 규칙기반 축구 게임 프레임워크를 제안한다.

With the development of Deep Learning (DL), artificial intelligence (AI) models are being created and used in various fields today. Today, with the development of computers and DL algorithms, DL-based AI models can learn a lot of data and find rules by themselves. DeepMind's Alphago shows the possibility of self-determination of game rules and high-level game play with only learning data. Although these various DL algorithms are applied to the game field, there are limits to successful play with only a single AI model in areas where team tactics and individual play coexist, such as sports games. Today, high-quality sports games are readily available. However, game AI researchers may need to receive game code sources or provide test simulators from game companies in order to develop AI models suitable for such high-quality sports games. In order for game AI researchers to develop AI models in the field of active sports games, a test environment that reflects the rules and characteristics of sports games and is easy to access is required. In this paper, we propose a rule-based soccer game framework that can create and test AI models in sports games where team tactics and individual play are important.

The purpose of this study was to develop and evaluate Point Cloud Data (PCD) deep learning models and a rule-based system for segmenting tree structures (stems and crowns) using fixed terrestrial LiDAR data. The dataset comprised 48 Larix Kaemferi trees, which were collected and preprocessed. For the PCD deep learning models, three downsampled datasets consisting of 1024, 4096, and 16384 points were constructed from the original data. The data was divided into training (70%) and validation (30%) sets. Models were built using PointNet and PointNet++ architectures, resulting in a total of 12 tree structure segmentation models for accuracy comparison. The rule-based system was developed using the original data, applying techniques such as verticality checks, cylindrical structure detection, and slice-based circular fitting to detect the stem. It then segmented the stem through repetitive circle fitting and validation processes based on height. The average accuracy of the PCD deep learning tree structure segmentation models was approximately 95%, with the PointNet++ model using 16384 points achieving the highest classification accuracy of about 98%. The rule-based system achieved high classification accuracy of over 99% for both tree species. This study is expected to contribute to precise measurement and efficient management of forest resources by presenting automated methods for tree structure segmentation using AI technology and rule-based approaches. It is anticipated that this research will serve as a foundation for the advancement of forest digitalization, precision forest management technologies, forest structure analysis, and timber production estimation in various fields.

본 연구는 기존 특허지표의 한계를 보완하기 위해 연관규칙 학습을 기반으로 한 새로운 특허지표를 제시한다. 기존의 특허지표들은 시간 지연 문제, 산업별 편향성, 질적 특성 미반영 등의 한계를 내포하고 있다. 이 를 보완하기 위해 본 연구는 최근 5년간(미공개 구간 제외) 등록된 국내 G Section 특허 2,710건을 분석 대상으로 하여 IPC Code의 계층적 구조 와 Apriori 알고리즘을 활용하여 기술 간 연관성을 규명하였다. 분석 결과, 상위 15개의 유의미한 연관규칙을 추출하였으며, 이를 통 해 주요 기술 융합 집합을 도출하였다. 특히, AI, 의료정보, 진단 기술의 융합, 측정·분석 기술의 융합, 에너지·데이터 처리 기술의 결합 등을 확인하였다. 본 연구는 분석 결과를 기반으로 3가지의 새로운 특허지표 기술 융합 도 지수(TCI), 기술 연관성 지수(TAI), 동향 부합 지수(TMI)를 제안한다. 이들 지표는 특허등록 시점에 즉시 계산이 가능하며, 기술 분류체계의 객관성을 기반으로 하여 출원 전략이나 인용 관행의 영향을 최소화한다. 결과적으로 신규 기술과 신흥 분야의 혁신성을 신속하게 포착할 수 있으 며, 산업 간 공정한 비교평가를 가능하게 하며, 기술 간의 강력한 개연성 을 보이는 결합을 정량화할 수 있다. 본 연구의 지표 체계는 기업의 혁신 특허 전략 수립, 기술 분야 혁신성 평가 등 다양한 실무적 용도로 활용될 수 있으며, 향후 분석 범위 확대 및 정성적 평가의 심층화를 통해 고도화될 수 있을 것으로 기대된다.

This study proposes a novel patent indicator based on association rule learning to compensate for limitations of existing patent indicators. Existing indicators inherently suffer from several drawbacks, including time-lag effects, industry-specific bias, and the failure to capture qualitative characteristics. To overcome these, the analysis targets 2,710 registered domestic patents in IPC Section G (excluding unpublished periods) over the past five years, utilizing the hierarchical structure of IPC codes and the Apriori algorithm to identify inter-technology associations. The analysis yields the top 15 significant association rules, from which major sets of technology convergence clusters are derived. In particular, the study confirms the convergence of AI, medical information, and diagnostic technologies, the convergence of measurement and analysis technologies, and the combination of energy and data-processing technologies. Building on these results, this study introduces three new patent indicators: Technology Convergence Index (TCI), Technology Association Index (TAI), and Trend Matching Index(TMI). These indicators enable immediate computation at the time of patent registration, grounded in the objectivity of the technology classification system, thereby minimizing influences from filing strategies or citation practices. Consequently, they facilitate rapid detection of innovativeness in novel and emerging technologies, enable fair cross-industry comparisons, and quantify intentional strategic technology combinations. The proposed indicator framework holds practical utility for corporate innovation patent strategies and technology field innovativeness assessments, with potential for further refinement through expanded analytical scopes and deeper qualitative evaluations.

Based on education, cognitive psychology and constructivism learning theory, this paper put forward multiple cooperative motion recognition strategy, and established the multi-sport cooperative learning model, namely, the cooperation from teachers to group experts, and then to multimedia, finally to learners. In order to verify the validity, we designed and implemented the questionnaire and teaching experiment, taking students from Inner Mongolia University of Science and Technology as the research object, and analyzed the experimental data by means of association rule mining technique and mathematical statistical analysis. Analysis results show that multiple collaborative learning methods can effectively enhance students learning interests of physical study and improve their physical skills, helping to cultivate the ability of cooperative learning among students. The association rules mining results show that teaching strategy has a very high correlation with the method, and using group cooperation synchronization classroom teaching can achieve the best teaching effect.

기존에 사용되던 방화벽들은 기본적으로 정책을 수동적으로 입력해 주는 방식으로 되어 있어 공격이 오는 즉시 대응하기 쉽지 않다. 왜냐하면 전문 보안 관리자가 이를 분석하고 해당 공격에 대한 방어 정책을 입력해 주어야하기 때문이다. 또한, 기존 방화벽 정책은 공격을 막기 위해 정상 접속까지 차단하는 경우가 많다. 패킷 자체는 정상적이지만 유입량이 많아 서비스 거부를 발생시키는 공격이 많기 때문이다. 본 논문에서는 방어 정책을 입력하는 부분을 인공지능 으로 대체하여 정책을 자동으로 생성하고, 정상 접속 학습을 통해 생성된 화이트리스트 정책으로 정상 접속은 가능하면 서 Flooding, Spoofing, Scanning과 같은 공격만을 차단하는 방법을 제안한다.

Conventional firewalls cannot cope with attacks immediately. It is because security professionals or administrators need to analyze them and enter relevant policies to the firewalls. In addition, those policies may often block even normal accesses. Even though the packet themselves are normal, there exist many attacks that cause denial of service due to the inflow of a large amount of those packets. In this paper, we propose a method to block attacks such as Flooding, Spoofing and Scanning while allowing normal accesses based on whitelist policies which are automatedly generated by learning normal access patterns.

This paper presents new pruning and learning methods for the fuzzy rule-based classifier. The structure of the proposed classifier is framed from the fuzzy sets in the premise part of the rule and the Bayesian classifier in the consequent part. For the simplicity of the model structure, the unnecessary features for each fuzzy rule are eliminated through the iterative pruning algorithm. The quality of the feature is measured by the proposed correctness method, which is defined as the ratio of the fuzzy values for a set of the feature values on the decision region to one for all feature values. For the improvement of the classification performance, the parameters of the proposed classifier are finely adjusted by using the gradient descent method so that the misclassified feature vectors are correctly re-categorized. The cost function is determined as the squared-error between the classifier output for the correct class and the sum of the maximum output for the rest and a positive scalar. Then, the learning rules are derived from forming the gradient. Finally, the fuzzy rule-based classifier is tested on two data sets and is found to demonstrate an excellent performance.

With the increasing demand for interoperability among existing learning resource systems in order to enable the sharing of learning resources, such resources need to be annotated with ontologies that use different metadata standards. These different ontologies must be reconciled through ontology mediation, so as to cope with information heterogeneity problems, such as semantic and structural conflicts. In this paper, we propose an ontology-mapping technique using Semantic Web Rule Language (SWRL) to generate semantic mapping rules that integrate learning resources from different systems and that cope with semantic and structural conflicts. Reasoning rules are defined to support a semantic search for heterogeneous learning resources, which are deduced by rule-based inference. Experimental results demonstrate that the proposed approach enables the integration of learning resources originating from multiple sources and helps users to search across heterogeneous learning resource systems.

Q-learning is a kind of reinforcement learning where the agent solves the given task based on rewards received from the environment. Most research done in the field of Q-learning has focused on discrete domains, although the environment with which the agent must interact is generally continuous. Thus we need to devise some methods that enable Q-learning to be applicable to the continuous problem domain. In this paper, an extended fuzzy rule is proposed so that it can incorporate Q-learning. The interpolation technique, which is widely used in memory-based learning, is adopted to represent the appropriate Q value for current state and action pair in each extended fuzzy rule. The resulting structure based on the fuzzy inference system has the capability of solving the continuous state about the environment. The effectiveness of the proposed structure is shown through simulation on the cart-pole system.

금융당국의 채권추심 가이드라인, 추심업자에 대한 직접적인 관리 감독 수행 등의 노력에도 불구하고 채무자에 대한 불법, 부당한 채권 추심은 지속되고 있다. 이러한 불법, 부당한 채권추심행위를 효과적으로 예방하기 위해서는 비정형데이터 기계학습 등 기술을 활용하여 적은 인력으로도 불법 추심행위에 대한 점검 등에 대한 모니터링을 강화 할 수 있는 방법이 필요하다. 본 연구에서는 대부업체의 추심 녹취 파일을 입수하여 이를 텍스트 데이터로 변환하고 위법, 위규 행위를 판별하는 규칙기반 검출과 SVM(Support Vector Machine) 등 기계학습을 결합한 불법채권추심 분류 모델을 제안하고 기계학습 알고리즘에 따라 얼마나 정확한 식별을 하였는지를 비교해 보았다. 본 연구는 규칙기반 불법 검출과 기계학습을 결합하여 분류에 활용할 경우 기존에 연구된 기계학습만을 적용한 분류모델 보다 정확도가 우수하다는 것을 보여 주었다. 본 연구는 규칙기반 불법검출과 기계학습을 결합하여 불법여부를 분류한 최초의 시도이며 후행연구를 진행하여 모델의 완성도를 높인다면 불법채권 추심행위에 대한 소비자 피해 예방에 크게 기여할 수 있을 것이다.

Despite the efforts of financial authorities in conducting the direct management and supervision of collection agents and bond-collecting guideline, the illegal and unfair collection of debts still exist. To effectively prevent such illegal and unfair debt collection activities, we need a method for strengthening the monitoring of illegal collection activities even with little manpower using technologies such as unstructured data machine learning. In this study, we propose a classification model for illegal debt collection that combine machine learning such as Support Vector Machine (SVM) with a rule-based technique that obtains the collection transcript of loan companies and converts them into text data to identify illegal activities. Moreover, the study also compares how accurate identification was made in accordance with the machine learning algorithm. The study shows that a case of using the combination of the rule-based illegal rules and machine learning for classification has higher accuracy than the classification model of the previous study that applied only machine learning. This study is the first attempt to classify illegalities by combining rule-based illegal detection rules with machine learning. If further research will be conducted to improve the model's completeness, it will greatly contribute in preventing consumer damage from illegal debt collection activities.

Artificial intelligence (AI) has the potential to greatly facilitate student learning by providing personalized instruction tailored to each student’s individual needs and knowledge level. Although personalized learning is widely considered as one of the most effective teaching methods, it has been difficult to implement in traditional classrooms. In this context, AI offers a viable alternative. Various AI tools now perform key pedagogical functions, such as diagnosing learners’ knowledge levels, recommending content and learning paths, and providing feedback and personalized learning based on learners’ profiles. Since these tools differ in their capabilities and personalize learning in different ways, they should be applied differently according to pedagogical purposes and learner variables when implemented in educational settings. This study introduces five stages of AI-powered personalization grounded in learning theories. These stages take into account various factors, including technological capabilities, learner characteristics, and curricular structures at the elementary, secondary, and college levels. We further illustrate how these five stages can be applied to language education at different school levels. Finally, we present the pedagogical implications of using AI in education and address the challenges that must be considered for its effective and equitable implementation.

지식 발견 (knowledge discovery)의 관점에서, 단기간 동안 취득된 데이터 패턴을 학습하고자 하는 경우 데이터에 비일관적인(inconsistent) 패턴이 포함되어 있다면 확률적 퍼지 룰(probabilistic fuzzy rule) 기반의 지식 표현 방법 및 적절한 학습 알고리즘을 이용하여 효과적으로 다룰 수 있다. 하지만 장기간 동안 지속적으로 얻어진 데이터 패턴을 다루고자 하는 경우, 데이터가 시변(time-varying) 특성을 가지고 있으면 기존에 추출된 지식을 변화된 데이터에 활용하기 어렵게 된다. 때문에 이러한 데이터를 다루는 학습 시스템에는 패턴의 변화에 맞추어 갈 수 있는 지속적인 적응력(adaptivity)이 요구된다. 본 논문에서는 이러한 적응성의 측면을 고려하여 평생 학습(life-long learning)의 관점 에 서 확률적 퍼지 룰 기반의 학습 시스템에 적용될 수 있는 두 가지 형태의 적응 방법에 대해서 설명하도록 한다.

사용자 의도 파악 (intention reading) 기술은 스마트 홈과 같은 복잡한 유비쿼터스(ubiquitous) 환경에서 사용자에게 보다 편리하고 개인화된(personalized) 서비스 제공이 가능하도록 해준다. 또한 학습 기능(learning capability)은 지식 발견(knowledge discovery)의 관점에서 의도 파악 기술의 핵심 요소 기술의 하나로 자리 매김 하고 있다. 본 논문에서는 스마트 홈 환경에서 제공 가능한 개인화된 서버스(personalized service) 중의 하나로, 개인화된 미디어 제어 방법에 대한 내용을 다룬다. 특히, 이러한 사람의 행동 패턴과 같은 데이터는 패턴 분류의 관점에서 구분해야 할 클래스(class)에 비해 입력 정보가 불충분할 경우가 많으므로 비일관적인(inconsistent) 데이터가 많으므로, 퍼지 논리(fuzzy logic)와 확률(probability)의 개념을 효과적으로 병행해야 의미 있는 지식을 추출해 낼 수 있다. 이를 위하여 반복 퍼지 지도 클러스터링 (IFCS; Iterative Fuzzy Clustering with Supervision) 알고리즘에 기반하여 주어진 데이터 패턴으로부터 확률적 퍼지 룰(probabilistic fuzzy rule)을 얻어 내는 방법에 대해 설명한다. 또한 이를 포함하는 학습 제어 시스템을 통해 개인화된 미디어 서비스를 추천해 줄 수 있는 방법에 대해서 설명하도록 한다.

컴퓨터 학습의 군집화는 주어진 데이터를 서로 유사한 몇 개의 집단으로 묶는 작업을 수행한다. 군집화를 위한 유사도 결정을 위한 측도는 많은 기법들에서 매우 다양한 측도들이 사용되고 또한 연구되어 왔다. 하지만 군집화의 결과에 대한 성능측정에 대한 객관적인 기준 설정이 어렵기 때문에 군집화 결과에 대한 해석은 매우 주관적이고 애매한 경우가 많다. 퍼지 군집화는 이러한 애매한 군집화 문제에 있어서 융통성 있는 군집 결정 방안을 제시해 준다. 각 개체들이 특정 군집에 속하게 될 퍼지 멤버 함수값을 원소로 하는 유사도 행렬을 통하여 군집화를 수행한다. 본 논문에서는 베이지안 학습을 통하여 군집화를 위한 퍼지 멤버 함수값을 구하였다. 본 연구에서는 최적의 퍼지 군집화 수행을 위하여 베이지안 학습 기반의 퍼지 규칙을 추출하였다. 인공적으로 만든 데이터와 기존의 기계 학습 데이터를 이용한 실험을 통하여 제안 방법의 성능을 확인하였다.

In ths paper a new active assembly algorithm for chamferless precision parts mating, is considered. The successful assembly task requires an extremely high position accuracy and a good knowledge of mating parts. However, conventional assembly mehtod alone makes it difficult to achieve satisfactory assembly performance because of the complexity and the uncertainties of the process and its environments such as imperfect knowledge of the parts being assembled as well as the limitation of the devices performing the assebled as well as the limitation of the devices performing the assembly. To cope with these problems, a self-learning rule-based assembly algorithm is proposed by intergaring fuzzy set theory and neural network. In this algortihm, fuzzy set theory copes with the complexity and the uncertainties of the assembly process, while neural network enhances the assembly schemen so as to learn fuzzy rules form experience and adapt to changes in environment of uncertainty and imprecision. The performance of the proposed assembly algorithm is evaluated through a series of experiments. The results show that the self-learning fuzzy assembly scheme can be effecitively applied to chamferless precision parts mating.

고유명사를 추출하고 그 범주를 파악할 수 있다면, 이는 정보 추출이나 정보 검색, 문서 요약과 같은 분야에 도움을 줄 수 있다. 본 논문에서는 고유명사를 추출하고 그 범주를 찾는 방법을 제시한다. 고유명사가 태깅된 코퍼스로부터, 고유명사의 내부와 주변에 반복적으로 나타나는 실마리들을 규칙 기반으로 학습한다. 이를 통하여 고유명사를 찾고 그 범주를 정한다. 구현한 시스템은 경제기사 코퍼스에서 4가지 범주로 고유명사를 추출하고 분류함에 있어 79.8%의 재현율과 92.9%의 정확률, 그리고 F 평가치에서 85.8의 성능을 보인다.

게임은 수많은 NPC 와 규칙에 의해 작동되는 가상 공간을 의미한다. 이런 가상 공간에서는 규칙을 엄격히 지키면서 수행되는 AI 를 필수로 요구하게 된다. 하지만 강화 학습 기반의 AI 는 복잡한 게임의 규칙을 온전히 지키지 못하고 예상 밖의 행동을 돌출하면서 이를 해결하기 위한 많은 연구도 수행되고 있다. 본 논문에서는 규칙 기반으로 획득한 오목판의 확률 맵과 학습을 통해 획득한 확률맵 데이터를 병합하여 가장 높은 Value 를 가지는 위치를 다음 수로 반환하는 방법을 사용하였다. 향후 연구에서는 ANN(Approximate Nearest Neighbor)알고리즘을 적극 활용하여, 커널의 State 와 보드의 State 비교를 확률적으로 개선할 예정이다. 본 논문에서 제안된 프레임 워크는 게임 AI 연구에 기여할 수 있길 바란다.

VoD(Video on Demand) 시스템의 작업과정을 주기적으로 모니터링하며, 작업부하(workload)를 동적으로 조정할 수 있는 에이전트 시스템(agent system)은 VoD 시스템과 인터페이스를 하는 에이전시(Agency) 부분과 작업부하 조정에 필요한 조치를 추론하거나 학습하는 인텔리전스(Intelligence) 부분으로 구성된다. 본 연구에서는 에이전트 시스템의 인텔리전스 부분에서 적용할 수 있는 학습 방법(learning method)을 제안하였다. 제안된 방법은 규칙의 추론과정과 사례기반 학습 과정에 의하여 작업부하를 보다 효율적으로 조정할 수 있게 한다. 그리고 제안된 방법을 VoD 시스템에 적용하는 경우에 실효성이 있는지를 시뮬레이터를 구현하여 실험하였다. 실험의 결과, 제안된 방법을 적용하는 경우에 기존의 방법을 적용한 경우보다 상대적으로 성공적인 스트림 서비스 처리량(throughput) 과 VoD 서버에서의 평균 대기시간이 향상된다는 것을 알 수 있었다.

The agent system that can adjust the workload dynamically through thc periodical monitoring of the VoD system comprises the agency part interfacing the VoD system and the intelligence part reasoning or learning the facts required for the adjustment of workload. This paper proposes a learning method that can apply to the intelligence part of the agent system. The proposed method can adjust the workload more efficiently by the rule's reasoning process and case-based learning process. An experiment of implementing a simulator was conducted to see whether or not application of the proposed method to VoD systems is efficient. As a result of the experiment, it was found that the throughput and the average waiting time of the VoD server were relatively improved when the proposed method was applied compared to existing means.

Hopfield 모델에 화소당 가주치를 도입하고 이를 최적화하여, 서로간에 상관관계가 높은 "0"에서 "9"까지의 10가지 숫자를 성공적으로 기억, 재생시킬 수 있는 $6{}8$ nodes 연상기억 시스템을 소개한다. 다른 많은 신경회로와는 달리, 이 모델은 "6","8","3","9"와 같이 상관관계가 매우 큰 영상에 대해서도 높은 오차 교정 능력을 가짐을 볼 수 있다. 화소당 가중치의 최적화 무제는 최소자승평균 오차 알고리듬에 기초한 적응학습 과정으로 볼 수 있으며, 이는 또한 Widrow-Hoff 신경회로로 구현 할 수 있다. 가중치 최적화 회로의 전기 . 광학적 구현을 위한 설계도 소개한다.

Introducing and optimizing bit-significance to the Hopfield model, ten highly correlated binary images, i.e., numbers "0" to "9", are successfully stored and retrieved in a $6{}8$ node system. Unlike many other neural network models, this model has stronger error correction capability for correlated images such as "6","8","3", and "9". The bit significance optimization is regarded as an adaptive learning process based on least-mean-square error algorithm, and may be implemented with Widrow-Hoff neural nets optimizer. A design for electro-optic implementation including the adaptive optimization networks is also introduced.

고해상도 위성영상은 지표면의 모습을 자세하게 담고 있기 때문에 상세한 지리정보를 추출할 수 있다. 최근 고해상도 위성영상이 활발히 이용되면서, 새로운 영상분류 기법이 모색되고 있다. 본 연구에서는 영상에서 추출된 객체를 대상으로 분광 정보와 텍스쳐 정보를 이용한 새로운 분류 기법을 개발하였다. 훈련지역의 다양한 정보를 기계 학습 기법에 적용하고, 그로부터 도출된 규칙을 이용하여 규칙 기반 분류기법에 적용하였다. 사례 지역의 자료를 이용하여 기계 학습 기법과 규칙 기반 분류에 적용한 결과, 기존의 분광 특성만을 이용한 영상보다 분류 결과의 정확도 측면에서 우수한 것으로 나타났다. 기계 학습 분류 기법과 규칙 기반 분류 기법은 분광 특성뿐만 아니라 다양한 텍스쳐 정보를 함께 고려하기 때문에 보다 간편하고 효과적인 영상분류 기법이라고 할 수 있다.

The high resolution satellite image can provide more specific geographic information since it contains the details of the earth surface. As very precise images including high resolution images are more available, we have tried to have more effective techniques for the digital image processing. This research proposes to use the spectral and texture information to develop a new classification technique that can be applied to the object extracted from satellite image. The researcher set up a classification rule by taking the machine learning approach to the attribute data of the training set. And the rule is further used to classify the satellite image. A test with case study data shows this rulebased classification technique using machine learning approach could be useful since the approach allows us to consider the various spectral and textual information and the rule-based classification is simple and more effective than traditional classification.